人工智能赋能的电解质创新：用于可充电电池的新兴聚合物电解质

《Journal of Energy Chemistry》：The artificial intelligence-empowered electrolyte innovations: emerging polymer electrolyte for rechargeable batteries

　　

摘要

先进固态聚合物电解质（SPEs）的探索需要分子结构、电解质配方和电池性能之间的协同优化。人工智能（AI）为连接这些常规设计层级提供了一个高效且强大的框架，通过学习复杂的结构–性质直觉、探索庞大的化学和组成空间，以及指导实验验证。本综述系统描述了AI辅助的聚合物电解质创新，涵盖分子、配方和电池三个层级。首先，讨论了分子表示、数据集、生成方法和预测模型，作为理解聚合物化学和评估性能的基础。随后，总结了高通量筛选和逆向设计作为识别有前景候选物和生成新型聚合物结构的强大策略。讨论随后扩展到多组分配方，其中聚合物、锂盐、添加剂和工况条件通过配方感知模型、贝叶斯优化、主动学习和自主实验联合表征和优化。此外，在自动化、闭环、可解释和可扩展（ACES）工作流的原则下，考虑了电池级别的验证，该工作流集成了材料制备、表征、电化学测试和反馈。最后，给出了总体结论和未来展望，强调在ACES框架下整合分子发现、配方优化和自主电池验证。预期AI将持续赋能聚合物电解质创新，加速新兴SPEs在可充电电池中的发展。

引言

当今日益电气化的社会对安全和高能量密度可充电电池的需求不断增长[1], [2], [3], [4], [5]。锂离子电池（LIBs）凭借其均衡的电化学性能和成熟的制造基础设施，几十年来一直主导着可充电电池市场[4], [6], [7]。然而，锂离子电池的进一步提升日益受到石墨基系统实际电芯级能量密度上限（约300 Wh kg?1）的限制，该上限受电极化学和电芯设计控制，同时还存在与易燃有机液体电解质相关的安全风险[4], [8], [9], [10]。因此，开发能够克服锂离子电池能量密度和安全性限制的新型电池系统已成为一个极具吸引力的研究热点[7], [11], [12], [13]。

固态电池（SSBs）引起了广泛关注，因为固态电解质（SSEs）可以潜在地抑制电解质泄漏和可燃性，提高热稳定性，并能够使用高容量锂金属阳极和高电压阴极[14], [15], [16], [17], [18], [19], [20], [21], [22], [23]。在各种实现SSEs的途径中，固态聚合物电解质（SPEs）被认为是最有前景的候选者之一，因为它们在界面接触、机械柔性和与现有锂离子电池制造工艺的兼容性方面具有优势[17], [24], [25], [26], [27], [28], [29], [30], [31]。然而，其实际应用受到室温（RT）下离子电导率较低（约10?2 mS cm?1）、对高电压阴极和锂金属阳极的电化学稳定性不足以及机械强度不够以在长期循环中维持结构完整性并抑制锂渗透等问题的限制[32], [33], [34], [35], [36]。为了克服这些障碍，人们在分子层面提出了各种设计高性能SPEs的策略[37], [38], [39], [40], [41], [42], [43], [44], [45]。例如，Huang等人通过整合锂键合和弱溶剂化电解质的概念重新设计了前驱体骨架，从而增强了电化学稳定性，并实现了能量密度为604 Wh kg?1且在针刺测试中表现出优异安全性的SSBs[41]。Guo等人采用焓–熵调控策略调节聚合物结构中的官能团，在室温下实现了高离子电导率（0.48 mS cm?1）、高Li+迁移数（0.76）和增强的机械强度[42]。类似的分子工程原理也已扩展到聚合物粘结剂[46], [47]。例如，一种离子–电子双导电聚合物粘结剂使Si阳极在2 C和5 MPa的低堆叠压力下经过500次循环后仍保持1906.9 mA h g?1的容量，而相应的LiNi0.9Co0.075Mn0.025O2全电池在5 C下经过2000次循环仍保持稳定，证明了合理的聚合物设计可以同时调控SSBs中的结构完整性和电荷传输[47]。然而，这些分子设计策略仍然需要大量的实验试错和专家知识的整合，而后续的配方优化和电池组装则需要更多的时间和资源[48], [49]。因此，需要探索并挖掘一种高度智能化的SPEs设计方法[37], [50]。

随着计算和自动化技术的快速进步，人工智能（AI）不断重塑科学研究，为材料的合理设计和科学发现创造了新的机遇[51], [52], [53]，特别是促进了先进电池的创新[54]。通过直接从数据中学习复杂和隐藏的关系，AI可以高效生成和探索高维化学空间，加速性质预测和候选物筛选，并指导超越传统试错方法的分子和配方优化，从而在不同层面展示了用于SPEs设计的广泛潜力[51], [52], [55], [56], [57], [58], [59], [60], [61], [62]（图1）。首先，在分子层面，聚合物前驱体的高度可调结构定义了一个庞大、连续且可编程的设计空间，非常适合AI辅助探索[63], [64]。例如，Wang等人将贝叶斯优化（BO）与自主粗粒化分子动力学（MD）相结合，在此空间中识别了电导率决定性的描述符[65]，而Yang等人进一步迈向从头设计，使用基于生成式预训练变换器（GPT）和扩散的生成模型，获得了17种候选物，其MD预测的离子电导率高于训练数据库中的聚合物[66]。进一步扩展到高通量筛选，Xie等人开发了一种多任务图神经网络（GNN），从大量短且未收敛的MD轨迹和有限的长且收敛的模拟中联合学习，实现了对多种电解质性能的准确预测和6,247种聚合物的有效筛选，得出了若干SPEs设计原则和一个公开可用的数据集[67]。虽然这些研究表明AI在探索分子设计空间和促进设计过程方面取得了成功，但SPEs的性能最终由聚合物、锂盐和其他功能添加剂之间的集体相互作用所决定[68], [69]。在配方层面，AI能够高效探索聚合物和其他添加剂的离散组合及其组分比例，同时平衡多个竞争性质[69], [70], [71], [72]。Li等人将量子计算与图卷积神经网络（GCNN）相结合，筛选离子液体（ILs）并将其与刚性棒状聚电解质和锂盐进行配方设计，获得了薄且机械坚固的离子聚合物电解质（IPE）膜，支持了稳定的锂金属电池[73]。在此基础上，Song等人采用基于核的多目标贝叶斯优化（MOBO）同时优化离子电导率、电化学稳定性和放电容量，在仅探索了2.8%化学空间的情况下识别了高性能配方，并实现了LiNi0.8Co0.1Mn0.1O2（NCM811）和LiNi0.5Mn1.5O4（LNMO）阴极分别在4.80 V和4.92 V截止电压下工作的锂金属电池[74]。在电池层面，通过将算法决策与自主实验相结合，Ru?a等人开发了一种热启动批量贝叶斯优化工作流，其中聚合物–盐配方被自动选择、制备、浇铸、干燥和表征，在仅经过五个实验批次后，获得了离子电导率可与基准聚（环氧乙烷）（PEO）体系相媲美的PCL基电解质[75]。总之，这些进展建立了一个整合的AI驱动发现范式，涵盖分子生成、高通量筛选、配方优化和自主实验验证，从而在分子、配方和电池层面智能加速高性能SPEs的开发[43]。

现有的关于SPEs的综述大多集中在材料化学、分子架构和性能提升策略上。此处，SPEs主要指离子传输与聚合物基体耦合的聚合物–盐电解质。密切相关的聚合物基电解质，包括复合聚合物电解质（CPEs）、聚合离子液体（PIL）电解质、凝胶聚合物电解质（GPEs）和IPEs，含有无机填料、IL组分或液态相，因此在组成、传输行为和测试条件方面与传统SPEs有所不同。虽然本综述重点关注SPEs，但这些相关体系在提供可迁移的数据集、表示方法、优化策略或自主工作流方面与AI辅助SPE设计相关时会被选择性纳入。同时，关于AI辅助聚合物设计的综述通常从更广泛和更通用的角度讨论聚合物材料。目前仍然缺乏一个专门的综述来系统连接SPEs的分子生成、性质预测、高通量筛选、配方优化和自主实验。为了填补这一空白，本综述建立了一个在分子、配方和电池层面对SPEs进行智能化设计的集成框架。此外，讨论了自动化、闭环、可解释和可扩展发现的关键挑战和未来机遇。

本贡献全面总结了AI辅助SPEs设计在分子设计、配方优化和电池级别验证方面的最新进展。讨论从分子层面开始，其中聚合物结构被转化为机器可读的表示形式，并与实验、计算和虚拟数据集连接。然后考察预测模型如何学习分子化学、离子配位、段间动力学、离子传输、电化学稳定性和机械性能之间的关系。在此基础上，讨论了高通量筛选和逆向设计作为互补途径，用于探索已有化学空间和生成未探索的聚合物候选物。范围随后扩展到配方层面，其中聚合物基体、锂盐、添加剂、组分比例、加工条件和运行环境被编码和作为耦合变量进行优化。重点关注配方感知预测、贝叶斯优化、主动学习和自主实验，通过这些方法将稀疏测量逐步转化为自适应设计决策。本综述的最后部分转向与电池相关的验证，重点介绍自动化制备、多模态表征、电化学测试和算法反馈如何被整合到自改进的实验工作流中。通过这一分子–配方–电池框架，本综述总结了当前的方法论格局，并阐明了如何将各个AI工具组装成统一的架构，用于高性能SPEs的发现、理解和验证。最后，讨论了剩余挑战和未来机遇，强调数据质量、模型可迁移性、机理解释、闭环实验和可扩展实施。

章节摘要

分子表示

分子表示作为聚合物化学与AI之间的基本接口，将分子结构转化为机器可读形式。对于聚合物，这种转化尤为重要，因为其性能不仅由局部化学组成决定，还由重复单元连接性、链架构、构象柔性和电子特性决定。因此，分子表示的质量在很大程度上影响着AI模型是否能够……

AI辅助的SPEs配方优化

分子设计建立了SPEs中离子配位、链动力学和电化学稳定性的内在基础，但这些优势并不能完全转化为SPEs的实际性能。这种差距的产生是因为分子结构定义了内在的化学倾向，而所得电解质的性能最终通过随组成和加工演变的材料状态表现出来。因此，聚合物骨架的结构描述符……

AI辅助的SPEs智能设计中的电池验证

尽管AI辅助的分子生成和配方优化可以高效识别有前景的前驱体和有利的配方级性能，但这些优势并不一定转化为真正的电池性能[202], [203]。这种转化因跨尺度的不确定性传播而更加复杂：分子预测的不确定性被带入配方级模型，而组成、加工和材料状态的差异引入了额外的……

结论与展望

利用AI探索高性能SPEs本质上是一种多层次理性分子设计。聚合物化学决定了内在的配位环境、段间动力学和电化学响应，而锂盐、添加剂、组分比例和加工条件将这些分子特征重塑为依赖配方的传输和机械行为。它们的实际价值最终在电池层面得到确定，在那里界面……

CRediT作者贡献声明

Zhen-Ning Guo：撰写——初稿，概念化。Kai-Hua Meng：撰写——审阅与编辑，形式分析。Xiao-Hui Zhang：形式分析，撰写——审阅与编辑。Yu-Chen Gao：撰写——初稿，形式分析。Xiang Chen：撰写——审阅与编辑，监督，获取资金，概念化。Yu-Hang Yuan：撰写——审阅与编辑，形式分析。Yan-Bin Gao：撰写——审阅与编辑，形式分析。

史明哲：撰写—审阅与编辑

利益冲突声明

作者声明，不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本工作由国家自然科学基金（项目编号：T2322015、22109007、22393900、22109011、52394170、52394171、22109086、22209010、22108151 和 225B2909）、北京市科学技术委员会（中关村科技园区管理委员会 Z251100007525001）、北京市自然科学基金（L233004 和 L247015）以及由 Knut 和 Alice Wallenberg 基金会资助的 WISE（可持续材料科学华伦贝里倡议）提供资助。

郭震宁是清华大学探微书院本科生，主修化学生物与交叉工程专业。他的研究兴趣集中在人工智能与能源化学的交叉领域，尤其专注于 AI 辅助锂离子电池电解质设计。

郭震宁 | 孟凯华 | 张晓辉 | 高宇辰 | 陈翔 | 袁宇航 | 高艳斌 | 史明哲 | 邱英婷 | 王岱伟 | 张瑞 | 赵辰子 | 张超 | 李相勇 | 张强